Improving Effectiveness of SVM Classifier for Large Scale Data

Improving Effectiveness of SVM Classifier for Large Scale Data

o95_1
چکیده در این مقاله رویکرد ما برای اجرای SVM در محیط موازی ارائه شده است. در این مقاله توضیح داده می شود که مرحیه یادگیری و پیش بینی به چه صورت موازی شده است. ما همچنین یک ...ادامه توضیحات
  • توضیحات
  • نظرات
  • ارسال نظر

چکیده

در این مقاله رویکرد ما برای اجرای SVM در محیط موازی ارائه شده است. در این مقاله توضیح داده می شود که مرحیه یادگیری و پیش بینی به چه صورت موازی شده است. ما همچنین یک روش برای محدود کردن تعداد محاسبات لازم در طول اجرای طبقه بندی ارائه می­دهیم. نام روش ما one-vs-near است که از نام one-vs-all که برای طبقه دودویی ارایه شده است گرفته شده است.

مقدمه

اندازه اطلاعات اینترنتی هر سال در حال رشد است. امروزهتعداد صفحات وب نمایه شده چیزی بین 20 و 50 میلیارد برآورد شده است .

طبقه بندی خودکار این داده­های در حال رشد یک چالش واقعی می شود. حتی کوچکتر مخازن اسناد متنی، مانند ویکیپدیا حدود 4.5 میلیون مقاله سازمان یافته با صدها هزار دسته مختلف می باشد[2]، که نیاز به یک طبقه بندی خودکاردارد.

فهرست نظرات:
هنوز هیچ نظری ارسال نشده است.
امتیاز:

درج نظر شما در مورد این محصول

نام کاربری:
منبع سال انتشار منبع گزارش منبع دارد؟ گزارش کد فیلم آموزشی ترجمه منبع
مقاله کنفرانس 2015 بله دارد ندارد ندارد
+
افزودن به سبد